Что такое AutoML? Что ж ... Короче говоря, это означает непрерывное обучение машинного обучения. Что это означает, что имеет смысл, когда вы слышите AutoML? Для ясности, не паникуйте, если вы не слышали AutoML раньше. Я объясню шаг за шагом, чтобы было понятно для тебя.

Прежде чем изучать AutoML, мы должны повернуться лицом к машинному обучению. Если мы знаем значение и реализацию ML, мы поймем AutoML более эффективным. ML - это категория алгоритмов, которые делают программы более точными при прогнозировании результатов без явного программирования. Основа машинного обучения - создание алгоритмов, которые могут принимать входные данные и использовать статистический анализ для прогнозирования выходных данных, обновляя выходные данные по мере появления новых данных.

Сегодня можно увидеть примеры машинного обучения в самых разных областях. Также он часто используется в корпоративных приложениях и участвует в эффективной работе. Давайте посмотрим на них:
Системы управления взаимоотношениями с клиентами (CRM) используют модели обучения, чтобы анализировать электронные письма и предупреждать членов отдела продаж, чтобы те сначала отвечали на самые важные сообщения. Даже более продвинутые системы могут предложить потенциально эффективные ответы.
Бизнес-аналитика (BI) и поставщики аналитических услуг используют машинное обучение в своем программном обеспечении, чтобы помочь пользователям автоматически определять потенциально важные точки данных.
Человеческие ресурсы (HR) используют модели обучения для определения характеристик эффективных сотрудников и полагаются на эту информацию для поиска лучших кандидатов на открытые должности.

Методы машинного обучения используются для классификации, кластеризации и прогнозирования. Вот несколько моделей.

Будущее машинного обучения

Каковы прогнозы относительно ML в будущем? Это звучит более захватывающе. Я действительно умираю от желания увидеть и услышать развитие событий. Надеюсь, еще не поздно. Мы следим за этим, пока живем. Цель - облегчить человеческую жизнь. :)) Все для нас.

Хотя алгоритмы машинного обучения существовали десятилетиями, они приобрели новую популярность, когда на первый план вышел искусственный интеллект (ИИ). Платформы машинного обучения - самые конкурентоспособные фирмы в области корпоративных технологий, конкурирующие с большинством основных поставщиков, включая Amazon, Google, Microsoft, IBM и другие, за подписание сервисов платформы, которые охватывают спектр деятельности машинного обучения, включая сбор данных, подготовку данных.
Постоянные исследования в области глубокого обучения и ИИ все больше фокусируются на разработке общих приложений. Современные модели искусственного интеллекта требуют обширного обучения для создания оптимизированного алгоритма для выполнения задачи. Тем не менее, исследователи продолжают изучать способы сделать модели более гибкими и применить контекст, извлеченный из одной задачи, в будущем к различным задачам.

Индустрия 4.0 и будущее машинного обучения

По данным исследовательской компании Gartner, наиболее инновационным способом достижения Индустрии 4.0 и изменения основных строительных блоков отрасли и делового мира является цифровая трансформация.
Эта трансформация также может включать в себя различные производственные модели и внутренние процессы. Используя внутренние и внешние данные и внося свой вклад в процессы принятия решений в организации, Индустрия 4.0 может получить выгоду в таких случаях, как кибербезопасность и контроль рисков.
В этот переходный процесс вовлечено 6 основных технологических направлений. Интернет вещей и киберфизические системы, 3D-принтеры, большие данные и интеллектуальный анализ данных, искусственный интеллект, совместные роботы и технологии виртуальной и дополненной реальности имеют большое значение.

Область внедрения Индустрии 4.0

И интеллектуальный анализ данных, и машинное обучение относятся к сфере информатики. Эти две технологии, которые часто пересекаются по своим областям и способам работы, отличаются друг от друга небольшими отличиями. Изучение того, как и где данные используются в нашей повседневной жизни, может быть полезно для понимания различий. Интеллектуальный анализ данных обычно используется машинным обучением для интерпретации отношений. Транспортная компания Uber использует машинное обучение для расчета предполагаемого времени прибытия, чтобы лучше обслуживать больше клиентов.

Помимо использования принципов интеллектуального анализа данных, машинное обучение может легко применять свои автоматические корректировки к новым алгоритмам. Именно благодаря этой особенности машинного обучения пользователь, покупающий продукт на Amazon, быстро получает предложения. Feedzai, глобальная инициатива CitiBank в области науки о данных, работающая в банковском секторе, изучает транзакции онлайн-банкинга и принимает меры предосторожности против мошенничества. Можно умножить примеры, которые извлекают выгоду из преимуществ этого и двух других полей.
Хотя есть некоторые различия, оба поля работают над ответом на один и тот же вопрос: как мы можем оценить эти данные? То, как мы получаем и изучаем данные, лежит в основе существующих технологий. Эта тема предназначена не только для специалистов по данным; он также представляет большой интерес для всех, кто интересуется данными.

AutoML

Я хочу проинформировать вас, чтобы получить быстрый обзор с помощью Google AI Adventures. Вы можете посмотреть, если хотите получить обзор других шагов, которые я поясню. Если вы наведете курсор на эту подчеркнутую текстовую строку, вы сможете быстро добраться до нее.

Короче говоря, это автоматизированная форма машинного обучения. В области машинного обучения требуется большая подготовка, опыт и мощь программного обеспечения, в этом случае это подтверждает, что каждый проект имеет определенные затраты и ограничения.
Что, если мы автоматизируем машинное обучение, не делая всего этого, если машины производят собственный искусственный интеллект? AutoML правильно отвечает на этот вопрос.

Поначалу может показаться интересным то, что automl уже пугающе хорошо работает. Даже в наши дни, когда нас можно рассматривать в начале пути в области искусственного интеллекта, искусственный интеллект, созданный собственными руками людей, лучше людей в создании искусственного интеллекта. Одна из основных причин этого заключается в том, что искусственный интеллект работает на алгоритмах и параметрах с очень высокими коэффициентами сложности, а также на очень больших наборах данных почти в каждом проекте. Давно известно, что машины и искусственный интеллект намного успешнее людей в этой работе. Поэтому неудивительно, что искусственный интеллект также лучше людей в создании искусственного интеллекта.

Как это работает?

Он работает с использованием логики AutoML, обучения с подкреплением и итеративной нейронной сети. Начнем с RNN, есть узлы на слой, количество слоев и т. Д. Он предложит случайный набор гиперпараметров, затем модель будет построена с такими параметрами.

Реализация AutoML

  1. Доступна поддержка с открытым исходным кодом;
  2. auto-sklearn, инструмент AutoML с открытым исходным кодом, реализованный на Python, построен на основе библиотеки scikit-learn.
  3. Набор инструментов AutoML для глубокого обучения с открытым исходным кодом Amazon AutoGluon также доступен в виде шаблона AWS CloudFormation.
  4. TransmogrifAI, комплексный набор инструментов AutoML для структурированных данных, написанных на Scala, работающий на Apache Spark, Neural Network Intelligence,
  5. Набор инструментов Microsoft AutoML с открытым исходным кодом

AutoML и компании

Это вопросы, на которые AutoML должен дать ответ, чтобы бизнес был успешным? Импортируйте данные в AutoML, и он должен сообщить нам отношение каждой переменной к целевой переменной (они попытаются угадать)

Полнофункциональная инженерия (разработка функций NLP является обязательной, поскольку требует много работы). Выбор функций (выбор функций, наиболее подходящих для данной проблемы). Выбор модели, которая лучше всего подходит для вашей проблемы, уже существует на всех платформах вокруг AutoML. Форматирование данных очень сложно, но уже преобразование фреймов данных в разреженную матрицу, как единое кодирование, так что autoML будет системой будущего. Система, которая может выполнять предварительную обработку следующих данных, выполнять автоматическую очистку, спроектирована и выбирает и создает лучшие функции. Он выбирает модель соответствующим образом и выбирает гиперпараметры модели. Результаты анализируются и сообщаются.

Примеры огромных компаний;

  1. Несколько реальных бизнес-примеров с точностью 94,5% Компания DS построила модель для прогнозирования ресторана, в котором миска лапши приготовлена ​​с помощью Google AutoML (https://www.theverge.com/tldr/2018/4/2/17189736/google- automl- зрение-машинное обучение-рамэн)
  2. Команда IBM,
  3. Google Cloud AutoML
  4. AutoML Microsoft Azure
  5. Oracle Accelerated Data Science
  6. Лишь несколько компаний используют AutoML. Многие другие работают в отрасли.

Также Google использовал AutoML только для еды. Это редко. Если мы будем использовать такие прекрасные методы, обучающие шаги. Просто подумайте, что мы можем достичь большего, помогая человечеству и земле.

До встречи в другой статье. Сохраняйте безопасность, здоровье и инновации :))